本發(fā)明涉及碳化硅檢驗(yàn)領(lǐng)域，具體來(lái)說(shuō)，涉及基于深度模型的碳化硅提純處理中質(zhì)量驗(yàn)證方法及系統(tǒng)。

背景技術(shù)：

1、碳化硅是一種由硅和碳組成的化合物，以共價(jià)鍵結(jié)合。廣泛應(yīng)用于各種領(lǐng)域，包括作為磨料、在半導(dǎo)體工業(yè)中作為耐高溫材料、以及在電力電子器件中用作高溫、高壓、高頻率的半導(dǎo)體材料。碳化硅提純處理是指將天然或人造碳化硅中的雜質(zhì)（如金屬雜質(zhì)、氧化物、氮化物等）去除，以獲得高純碳化硅的過(guò)程。這一過(guò)程對(duì)提高碳化硅在先進(jìn)電子和光電子設(shè)備中的應(yīng)用至關(guān)重要。提純方法有多種，包括物理蒸汽輸送法（pvt）、化學(xué)氣相沉積法（cvd）、鈉鹽提純法等。

2、基于深度模型的碳化硅提純處理中的質(zhì)量驗(yàn)證是指利用深度學(xué)習(xí)模型來(lái)評(píng)估和驗(yàn)證碳化硅提純過(guò)程的質(zhì)量控制。識(shí)別雜質(zhì)、裂紋、晶體結(jié)構(gòu)缺陷等問(wèn)題，從而評(píng)估提純處理的效果。

3、例如中國(guó)專利201910694877.8公開(kāi)了一種高純碳化硅粉料品質(zhì)的評(píng)價(jià)方法，其基于分光測(cè)色原理，并根據(jù)高純碳化硅粉料中各種雜質(zhì)所導(dǎo)致的碳化硅粉料表觀顏色的差異，創(chuàng)造性地構(gòu)建了品質(zhì)因數(shù)的計(jì)算公式，能半定量的分析碳化硅粉料中的氮含量的高低。但是上述方法還存在以下不足：分光測(cè)色方法可能不易于大規(guī)模自動(dòng)化，特別是在連續(xù)生產(chǎn)的環(huán)境中，無(wú)法學(xué)習(xí)和識(shí)別數(shù)據(jù)中的復(fù)雜模式并給出更全面和深入的分析。

4、針對(duì)相關(guān)技術(shù)中的問(wèn)題，目前尚未提出有效的解決方案。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)相關(guān)技術(shù)中的問(wèn)題，本發(fā)明提出基于深度模型的碳化硅提純處理中質(zhì)量驗(yàn)證方法及系統(tǒng)，以克服現(xiàn)有相關(guān)技術(shù)所存在的上述技術(shù)問(wèn)題。

2、為此，本發(fā)明采用的具體技術(shù)方案如下：

3、根據(jù)本發(fā)明的一個(gè)方面，提供了基于深度模型的碳化硅提純處理中質(zhì)量驗(yàn)證方法，該基于深度模型的碳化硅提純處理中質(zhì)量驗(yàn)證方法包括以下步驟：

4、s1、獲取碳化硅提純處理中的監(jiān)控?cái)?shù)據(jù)，并根據(jù)不同的反應(yīng)時(shí)期，分類監(jiān)控?cái)?shù)據(jù)，得到分類數(shù)據(jù)。

5、s2、使用關(guān)聯(lián)規(guī)則學(xué)習(xí)算法分析分類數(shù)據(jù)，獲取與碳化硅產(chǎn)品缺陷相關(guān)的關(guān)聯(lián)規(guī)則。

6、s3、基于深度學(xué)習(xí)模型，結(jié)合獲取的關(guān)聯(lián)規(guī)則及分類數(shù)據(jù)中的參數(shù)特征，對(duì)碳化硅產(chǎn)品的缺陷類型及概率進(jìn)行預(yù)測(cè)。

7、s4、量化預(yù)測(cè)的碳化硅產(chǎn)品的缺陷類型及概率，得到量化分?jǐn)?shù)，且將量化分?jǐn)?shù)與風(fēng)險(xiǎn)指標(biāo)結(jié)合，計(jì)算總的風(fēng)險(xiǎn)評(píng)分，并構(gòu)建風(fēng)險(xiǎn)畫(huà)像。

8、其中，基于深度學(xué)習(xí)模型，結(jié)合獲取的關(guān)聯(lián)規(guī)則及分類數(shù)據(jù)中的參數(shù)特征，對(duì)碳化硅產(chǎn)品的缺陷類型及概率進(jìn)行預(yù)測(cè)包括以下步驟：

9、s31、將關(guān)聯(lián)規(guī)則轉(zhuǎn)化為用于深度學(xué)習(xí)模型的數(shù)值型特征；

10、s32、將分類數(shù)據(jù)中的參數(shù)特征與關(guān)聯(lián)規(guī)則編碼結(jié)合，形成綜合特征集；

11、s33、收集標(biāo)簽數(shù)據(jù)，并通過(guò)綜合特征集及標(biāo)簽數(shù)據(jù)訓(xùn)練深度學(xué)習(xí)模型，同時(shí)根據(jù)訓(xùn)練后的深度學(xué)習(xí)模型預(yù)測(cè)碳化硅產(chǎn)品的缺陷類型及概率。

12、進(jìn)一步的，獲取碳化硅提純處理中的監(jiān)控?cái)?shù)據(jù)，并根據(jù)不同的反應(yīng)時(shí)期，分類監(jiān)控?cái)?shù)據(jù)，得到分類數(shù)據(jù)包括以下步驟：

13、s11、獲取監(jiān)控?cái)?shù)據(jù)，包括溫度、壓力及雜質(zhì)含量參數(shù)；

14、s12、清洗監(jiān)控?cái)?shù)據(jù)，處理異常和缺失值，并標(biāo)準(zhǔn)化數(shù)據(jù)；

15、s13、按照不同的反應(yīng)階段將監(jiān)控?cái)?shù)據(jù)進(jìn)行子分類。

16、進(jìn)一步的，使用關(guān)聯(lián)規(guī)則學(xué)習(xí)算法分析分類數(shù)據(jù)，獲取與碳化硅產(chǎn)品缺陷相關(guān)的關(guān)聯(lián)規(guī)則包括以下步驟：

17、s21、基于散列技術(shù)構(gòu)建并更新數(shù)據(jù)字典；

18、s22、基于事務(wù)壓縮技術(shù)對(duì)數(shù)據(jù)字典進(jìn)行處理，生成壓縮事務(wù)數(shù)據(jù)集；

19、s23、基于數(shù)據(jù)字典中每個(gè)分類數(shù)據(jù)的出現(xiàn)次數(shù)，創(chuàng)建頭指針表，并按頻次降序排序，同時(shí)從頭指針表中移除不滿足最小支持度閾值的參數(shù)；

20、s24、構(gòu)建頻繁模式樹(shù)，并從頻繁模式樹(shù)中挖掘頻繁項(xiàng)集，基于挖掘出的頻繁項(xiàng)集及根據(jù)置信度生成關(guān)聯(lián)規(guī)則；

21、s25、通過(guò)新的分類數(shù)據(jù)驗(yàn)證關(guān)聯(lián)規(guī)則。

22、進(jìn)一步的，基于散列技術(shù)構(gòu)建并更新數(shù)據(jù)字典包括以下步驟：

23、s211、創(chuàng)建空的數(shù)據(jù)字典，數(shù)據(jù)字典的結(jié)構(gòu)為[key：value]，其中，key表示參數(shù)名稱，value代表參數(shù)出現(xiàn)的頻次；

24、s212、構(gòu)建散列函數(shù)，并將每個(gè)參數(shù)名稱映射為散列值，且散列值用于在散列表中確定參數(shù)名稱存儲(chǔ)的位置；

25、s213、初始化散列表，散列表大小根據(jù)預(yù)期的參數(shù)的數(shù)量及負(fù)載因子來(lái)設(shè)定；

26、s214、逐條遍歷分類數(shù)據(jù)，對(duì)于分類數(shù)據(jù)中的每個(gè)參數(shù)使用散列函數(shù)計(jì)算該參數(shù)的散列值；

27、s215、根據(jù)散列值在散列表中找到對(duì)應(yīng)的存儲(chǔ)位置，若存儲(chǔ)位置空閑，則在該存儲(chǔ)位置創(chuàng)建新的條目，將參數(shù)名稱作為key，頻次初始化為1，若該存儲(chǔ)位置已被占用，則更新對(duì)應(yīng)條目的頻次，將頻次增加1；

28、s216、若在散列表中遇到散列沖突，則采用沖突解決策略；

29、s217、完成所有分類數(shù)據(jù)的遍歷和散列后，對(duì)散列表進(jìn)行優(yōu)化。

30、進(jìn)一步的，構(gòu)建頻繁模式樹(shù)，并從頻繁模式樹(shù)中挖掘頻繁項(xiàng)集，基于挖掘出的頻繁項(xiàng)集及根據(jù)置信度生成關(guān)聯(lián)規(guī)則包括以下步驟：

31、s241、創(chuàng)建頻繁模式樹(shù)的根節(jié)點(diǎn)，并設(shè)置為null；

32、s242、遍歷壓縮事務(wù)數(shù)據(jù)集，對(duì)于每個(gè)事務(wù)中的每個(gè)參數(shù)，若參數(shù)在頻繁模式樹(shù)中已存在，更新對(duì)應(yīng)節(jié)點(diǎn)的計(jì)數(shù)，若參數(shù)不在頻繁模式樹(shù)中，則創(chuàng)建新的子節(jié)點(diǎn)；

33、s243、獲取頻繁模式樹(shù)中頻繁出現(xiàn)的參數(shù)組合，得到頻繁項(xiàng)集；

34、s244、使用挖掘出的頻繁項(xiàng)集，并根據(jù)置信度生成關(guān)聯(lián)規(guī)則；

35、其中，支持度的計(jì)算公式為：

36、?；

37、置信度的計(jì)算公式為：

38、；

39、a及b均表示項(xiàng)集；

40、a∪b表示項(xiàng)集a和項(xiàng)集b的并集；

41、count（a∪b）表示項(xiàng)集a和b同時(shí)出現(xiàn)的事務(wù)個(gè)數(shù)；

42、totalcount表示事務(wù)的總數(shù)；

43、count（a）表示項(xiàng)集a出現(xiàn)的事務(wù)個(gè)數(shù)。

44、進(jìn)一步的，收集標(biāo)簽數(shù)據(jù)，并通過(guò)綜合特征集及標(biāo)簽數(shù)據(jù)訓(xùn)練深度學(xué)習(xí)模型，同時(shí)根據(jù)訓(xùn)練后的深度學(xué)習(xí)模型預(yù)測(cè)碳化硅產(chǎn)品的缺陷類型及概率包括以下步驟：

45、s331、將綜合特征集及標(biāo)簽數(shù)據(jù)轉(zhuǎn)換為向量；

46、s332、將卷積神經(jīng)網(wǎng)絡(luò)與長(zhǎng)短期記憶網(wǎng)絡(luò)進(jìn)行融合，得到融合網(wǎng)絡(luò)模型；

47、s333、將轉(zhuǎn)換為向量后的綜合特征集及標(biāo)簽數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集；

48、s334、利用訓(xùn)練集來(lái)訓(xùn)練融合網(wǎng)絡(luò)模型，且使用交叉驗(yàn)證法優(yōu)化融合網(wǎng)絡(luò)模型性能，同時(shí)使用測(cè)試集評(píng)估融合網(wǎng)絡(luò)模型的性能；

49、s335、使用訓(xùn)練好的融合網(wǎng)絡(luò)模型對(duì)新的綜合特征集進(jìn)行缺陷預(yù)測(cè)，并獲取每種缺陷類型的概率。

50、進(jìn)一步的，量化預(yù)測(cè)的碳化硅產(chǎn)品的缺陷類型及概率，得到量化分?jǐn)?shù)，且將量化分?jǐn)?shù)與風(fēng)險(xiǎn)指標(biāo)結(jié)合，計(jì)算總的風(fēng)險(xiǎn)評(píng)分包括以下步驟：

51、s41、預(yù)先對(duì)每種缺陷類型設(shè)置相應(yīng)的權(quán)重，同時(shí)選擇概率最高的缺陷類型，并將該概率進(jìn)行標(biāo)準(zhǔn)化處理，且使標(biāo)準(zhǔn)化概率與相應(yīng)的權(quán)重相乘，得到量化分?jǐn)?shù)；

52、s42、將風(fēng)險(xiǎn)指標(biāo)進(jìn)行加權(quán)及量化；

53、s43、根據(jù)量化分?jǐn)?shù)及量化后的風(fēng)險(xiǎn)指標(biāo)，計(jì)算總的風(fēng)險(xiǎn)評(píng)分。

54、進(jìn)一步的，總的風(fēng)險(xiǎn)評(píng)分的計(jì)算公式為：

55、；

56、式中， rs表示總的風(fēng)險(xiǎn)評(píng)分， q表示量化分?jǐn)?shù)；

57、 m表示風(fēng)險(xiǎn)指標(biāo)的數(shù)量；

58、 w i表示第 i個(gè)風(fēng)險(xiǎn)指標(biāo)的權(quán)重系數(shù)， z i表示量化后的第 i個(gè)風(fēng)險(xiǎn)指標(biāo)。

59、進(jìn)一步的，構(gòu)建風(fēng)險(xiǎn)畫(huà)像時(shí)，基于總的風(fēng)險(xiǎn)評(píng)分將碳化硅提純處理中質(zhì)量驗(yàn)證結(jié)果分類為不同的風(fēng)險(xiǎn)等級(jí)，并按照顏色繪制風(fēng)險(xiǎn)畫(huà)像，同時(shí)實(shí)時(shí)顯示總的風(fēng)險(xiǎn)評(píng)分及風(fēng)險(xiǎn)畫(huà)像。

60、根據(jù)本發(fā)明的另一個(gè)方面，提供了基于深度模型的碳化硅提純處理中質(zhì)量驗(yàn)證系統(tǒng)，該基于深度模型的碳化硅提純處理中質(zhì)量驗(yàn)證系統(tǒng)包括分類數(shù)據(jù)獲取模塊、關(guān)聯(lián)規(guī)則獲取模塊、深度學(xué)習(xí)模塊及風(fēng)險(xiǎn)量化模塊；其中，分類數(shù)據(jù)獲取模塊與關(guān)聯(lián)規(guī)則獲取模塊連接，關(guān)聯(lián)規(guī)則獲取模塊與深度學(xué)習(xí)模塊連接，深度學(xué)習(xí)模塊與風(fēng)險(xiǎn)量化模塊連接。

61、分類數(shù)據(jù)獲取模塊，用于獲取碳化硅提純處理中的監(jiān)控?cái)?shù)據(jù)，并根據(jù)不同的反應(yīng)時(shí)期，分類監(jiān)控?cái)?shù)據(jù)，得到分類數(shù)據(jù)。

62、關(guān)聯(lián)規(guī)則獲取模塊，用于使用關(guān)聯(lián)規(guī)則學(xué)習(xí)算法分析分類數(shù)據(jù)，獲取與碳化硅產(chǎn)品缺陷相關(guān)的關(guān)聯(lián)規(guī)則。

63、深度學(xué)習(xí)模塊，用于基于深度學(xué)習(xí)模型，結(jié)合獲取的關(guān)聯(lián)規(guī)則及分類數(shù)據(jù)中的參數(shù)特征，對(duì)碳化硅產(chǎn)品的缺陷類型及概率進(jìn)行預(yù)測(cè)。

64、風(fēng)險(xiǎn)量化模塊，用于量化預(yù)測(cè)的碳化硅產(chǎn)品的缺陷類型及概率，得到量化分?jǐn)?shù)，且將量化分?jǐn)?shù)與風(fēng)險(xiǎn)指標(biāo)結(jié)合，計(jì)算總的風(fēng)險(xiǎn)評(píng)分，并構(gòu)建風(fēng)險(xiǎn)畫(huà)像。

65、本發(fā)明的有益效果為：

66、（1）本發(fā)明提供的基于深度模型的碳化硅提純處理中質(zhì)量驗(yàn)證方法及系統(tǒng)，根據(jù)不同的反應(yīng)階段對(duì)數(shù)據(jù)進(jìn)行精細(xì)管理和分析，將復(fù)雜的提純過(guò)程分解為一系列更簡(jiǎn)單、更易于管理的階段，為后續(xù)的數(shù)據(jù)分析和缺陷預(yù)測(cè)提供了基礎(chǔ)。通過(guò)使用關(guān)聯(lián)規(guī)則學(xué)習(xí)算法，發(fā)現(xiàn)分類數(shù)據(jù)中隱藏的規(guī)律和模式，尤其是與碳化硅產(chǎn)品缺陷相關(guān)的規(guī)則，有助于理解缺陷發(fā)生的條件和原因，這是改進(jìn)生產(chǎn)過(guò)程并提高產(chǎn)品質(zhì)量的關(guān)鍵步驟。

67、（2）本發(fā)明將深度學(xué)習(xí)模型與關(guān)聯(lián)規(guī)則以及分類數(shù)據(jù)的參數(shù)特征結(jié)合起來(lái)，對(duì)碳化硅產(chǎn)品的缺陷類型和概率進(jìn)行更準(zhǔn)確的預(yù)測(cè)，與傳統(tǒng)方法相比，關(guān)聯(lián)規(guī)則通常可以挖掘出數(shù)據(jù)中潛在的規(guī)律和關(guān)聯(lián)性，將其添加到原有特征中，可以增加特征的維度和豐富性，有助于深度學(xué)習(xí)模型更好地抓住數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和復(fù)雜性。結(jié)合關(guān)聯(lián)規(guī)則的特征和分類數(shù)據(jù)特征，使模型能捕獲到更多的有效信息，因此可以提高模型對(duì)于碳化硅產(chǎn)品缺陷類型及概率的預(yù)測(cè)準(zhǔn)確性。關(guān)聯(lián)規(guī)則可以幫助我們理解特定輸入特征是如何影響輸出的，從而提高模型的可解釋性。可將本發(fā)明的方法用于自動(dòng)化的生產(chǎn)過(guò)程中。

68、（3）本發(fā)明將預(yù)測(cè)結(jié)果量化為風(fēng)險(xiǎn)分?jǐn)?shù)，并與其他風(fēng)險(xiǎn)指標(biāo)結(jié)合，以計(jì)算總的風(fēng)險(xiǎn)評(píng)分并構(gòu)建風(fēng)險(xiǎn)畫(huà)像，能夠更好地理解和量化生產(chǎn)過(guò)程中的風(fēng)險(xiǎn)，提供了一個(gè)直觀的質(zhì)量驗(yàn)證評(píng)估指標(biāo)。